最近几天，千问办公、WorkBuddy 之类的 AI 工具把「AI 办公」这个赛道炒热了。越来越多的人开始接触能够直接操作文件、制作 PPT、处理数据，甚至搭建系统的 AI。
这也让我想到一个问题：不会写代码的普通人，怎样才能真正利用 AI 拓展自己的能力边界？
很多人使用 AI 的方法很简单：把需求告诉它，然后让它自己去执行。遇到授权请求，也不怎么看，闭着眼睛一路点同意。
我甚至听到有人给 YOLO 赋予了一个新解释：You Only Look Once，反正只看一眼，后面就不管了。原来的 YOLO 是 You Only Live Once，大意是人生只有一次，勇敢去干。到了 AI 时代，似乎变成了：勇敢地让 AI 去干。
理论上，这种用法的效果类似于碰运气，天花板很高，但下限也可能很低。
在没有进一步约束的情况下，AI 往往会选择一条能够尽快完成任务的路径。它首先追求的是「完成」，而不是「完美」。这条职场老油条的心法，AI 居然也学去了。
比如让 AI 制作一份演示文稿。如果没有更多要求，它可以迅速生成大纲、文案和视觉页面，交出一份看起来完整的 PPT。至于内容是否准确、结构是否合理、设计是否符合实际场景，还是存疑。
至于如何提高 AI 的能力上限，是另一个话题。对大部分普通人来说，想办法提高 AI 交付结果的下限，是更现实的一步。
我认为这里边有一件事不能偷懒，那就是找一找当前遇到的问题有没有已经成熟的解决方案，也就是所谓的「最佳实践」，不要让 AI 重复造轮子。
很多我们现在想让 AI 完成的任务，在 AI 出现以前就已经有了成熟的工具。只是这些工具往往需要编程、命令行或者专业知识，学习曲线比较陡。普通人即使知道它们，也未必用得起来。
而 AI 恰恰擅长这些。我们不再一定要从头学习这些工具该如何操作，AI 可以帮我们跨过使用门槛。
比如搭建一个包含前端、后端、数据管理、角色和权限的系统，本身就是一个很大的工程。即便现在的 AI 已经很强，它也很难从零开始一口气写完，而且 BUG 会在你最虚弱的时候攻击你。
这时，更合适的做法是先问一句：有没有成熟的产品，可以承担大部分基础能力？
NocoBase 就是其中一个选择。它已经提供了数据模型、页面、角色、权限和工作流等能力。这样一来，AI 面对的不再是一张白纸，而是一套已经搭好的骨架，只需要根据需求进行配置和调整。
而且，NocoBase 也提供了面向 AI Agent 的 CLI、MCP 和 Skills，用来告诉 AI 应该怎样进行数据建模、页面配置、权限管理和系统发布。这样积极拥抱 AI 的产品，真是充满活力。
类似的例子还有 FFmpeg。它是一套非常成熟的音视频处理工具，可以完成转码、裁剪、合并、压缩、滤镜和格式转换等工作。我们使用的很多剪辑产品，都是基于它的能力进行包装，从而方便我们更好地操作和使用。
过去如果自己使用 FFmpeg，需要记住一长串命令和参数。现在，我只需要把处理目标、输入文件和输出要求告诉 AI，让它生成并执行对应的命令。
AI 降低了工具的使用门槛，而真正保证任务执行效果和可靠性的，仍然是那些经过长期验证的专业工具。
所以，当我们准备让 AI 完成一个陌生领域的任务时，不应立刻让它动手，而是先问几个问题：
- 这个问题有没有成熟的开源工具或商业产品；
- 现有工具已经解决了哪些问题，是否需要工具组合；
- AI 能不能通过命令行、API、MCP 或 Skill 调用这些工具。
先找到合适的轮子，再让 AI 制定方案并执行，比从零发明一个轮子可靠得多。
这让我越来越觉得，AI 时代真正值得积累的，不只是某一种工具的使用技巧，而是一张不断扩大的「工具地图」。我们不一定要会用每一个工具，但至少要知道它们大概能做什么，在什么情况下应该想到它们。
这背后其实是一种信息搜集和判断能力。它并不是 AI 时代才出现的能力。
在搜索引擎时代，真正重要的从来不只是会不会打开 Google 或百度，而是知不知道应该搜索什么、去哪里寻找、哪个结果更可信，以及什么时候应该换一个关键词、换一条路径继续找。
到了生成式 AI 时代，这种能力不仅没有消失，反而变得更加重要。
过去搜索引擎给出十个链接，我们多少还知道自己需要做选择；现在 AI 可能直接给我们一个完整答案，甚至马上开始替我们执行。它越像一个无所不能的助手，我们就越容易忘记问一句：这真的是最好的解决方案吗？
过去，我们花大量时间学习「怎么做」。现在，越来越多的「怎么做」可以交给 AI，我们需要更多地判断「做什么」「用什么做」以及「做得对不对」。
这或许就是 AI 时代的「批判性思考」。